ElasticNet(self, alpha=1.0, l1_ratio=0.5, fit_intercept=True, normalize=False, precompute=False, max_iter=1000, copy_X=True, tol=1e-4, warm_start=False, positive=False, random_state=None, selection= cyclic )
类型：sklearn.linear_model.coordinate_descent 中的类，使用L1和L2组合作为正则项的线性回归。最小化目标函数为
1(2 nsamples)||y Xw||22+ l1_ratio ||w||1+0.5 alpha (1 l1_ratio) ||w||221(2 nsamples)||y Xw||22+ l1_ratio ||w||1+0.5 alpha (1 l1_ratio) ||w||22如果关注L1和L2惩罚项的分类，记住下面的公式：
a=L1+b L2a=L1+b L2
类型：float, optional说明：混合惩罚项的常数，morning是1，看笔记的得到有关这个参数的精确数学定义。alpha = 0等价于传统最小二乘回归，通过LinearRegression求解。因为数学原因，使用alpha = 0的lasso回归时不推荐的，如果是这样，你应该使用 LinearRegression 。*
类型：float说明：弹性网混合参数，0 = l1_ratio = 1，对于 l1_ratio = 0，惩罚项是L2正则惩罚。对于 l1_ratio = 1是L1正则惩罚。对于 0
类型：array, shape (n_features,) | (n_targets, n_features)说明：参数向量(损失函数表达式中的ww
参数名：sparse_coef_类型：scipy.sparse matrix, shape (n_features, 1) | (n_targets, n_features)说明：sparse_coef_ 是从coef_ 导出的只读属性
类型：array-like, shape (n_targets,)说明：由坐标下降求解器运行的，达到指定公差的迭代次数。
from sklearn.linear_model import ElasticNetfrom sklearn.datasets import make_regression# 初始化数据，模拟数据X, y = make_regression(n_features=2, random_state=0)# 实例化弹性网类，设定随机种子，保证每次计算结果都相同regr = ElasticNet(random_state=0)# 训练弹性网regr.fit(X, y)# 打印系数，结果是[ 18.83816048 64.55968825]print(regr.coef_) # 打印截距，结果是1.45126075617print(regr.intercept_) # 打印预测值，结果是[ 1.45126076]print(regr.predict([[0, 0]]))
为了避免不必要的内存复制，应该将fit方法的X参数直接作为一个fortranguous numpy数组传递
参阅SGDRegressor:采用增量式培训实现弹性净回归。SGDClassifier:用弹性网惩罚实现逻辑回归。(SGDClassifier(loss= log , penalty= elasticnet )).